MOT论文阶段性总结(一)

JRMOT: A Real-Time 3D Multi-Object Tracker and a New Large-Scale Dataset

贡献

1. 利用深度学习融合 2D 和 3D 信息，提出一个事实在线的 3D 的 MOT 系统
2. 贡献了一个 2D+3D 的数据集，此方法作为他们 benchmark 的 baseline
3. 效果比较不错

方法:

2D 和 3D 融合的多模态 tracking

2D detection: Mask R-CNN
2D appearance: reID 方法，对于人的特征:[Aligned-ReID: Surpassing human-level perfor- mance in person re-identification];对于车的特征:[Vehicle re-identification with the space-time prior]
3D detection and appearance: F-pointnet，截取 2D 的 detection 结果的锥形点云进行 3D 的 detection，作者认为 F-pointnet 之所以能检测出物体，说明学到了形状信息，特征就选取倒 数第二层的 feature 作为 appearance
Feature fusion: 将 2D 和 3D 的特征 concat 起来，利用 triplet loss 和 semi-hard negative mining 对 FC layers 进行训练。(截止目前，该模块还未开源)
Data association: 构造 appearance 和 3D IoU 两个 cost matrix，通过一种 entropy measure 的方 法来选择我需要哪个 cost matrix，对每一个 track 的 gating 范围内的 detection 进行 JPDA 式 的关联
Filter: 没细看，也是传统方法

A Baseline for 3D Multi-Object Tracking

贡献:

1. 简单但精准的 3D MOT baseline，并且很实时
2. 提出一个新的 3D MOT 的评价标准
3. KITTI benchmark 上准且快(已不是 sota) 方法:纯点云的 3D tracking

方法:

纯LiDAR（或者Pseudo-LiDAR）的 3D tracking

3D detection: PointRCNN输出bounding box和检测结果
Filter-based prediction: 卡尔曼滤波预测 track
Data association: Hungarian algorithm 进行 track 和 detection 的关联
Filter-based update: 对预测的跟踪状态进行更新

3D MOT metrics:

1. 将传统 2D IoU->3D IoU 就成了新的 3D MOT 的评价标准

2. 发现 MOTA 评价指标和 recall 成线性关系，想刷榜只要调一个合适的阈值就能达到高的 MOTA，因此提出 AMOTA，既然有了 AMOTA，那也不差顺便提个 AMOTP 了，相当于在 recall 维度上取一个平均值，由于 MOTA 永远小于等于当前的 recall，所以 AMOTA 最大值 肯定不会超过 50% (详细解释可以见原文)，所以又提出带尺度缩放的 sMOTA 和 sAMOTA

LCD: Learned Cross-Domain Descriptors for 2D-3D Matching

贡献:

1. 利用 2D 和 3D 的 auto encoder 学习一个 cross-domain 的通用 feature
2. 贡献了一个数据集
3. 利用新提的 feature 进行了 2D 图片匹配，3D 点云匹配，2D-3D 场景识别的任务，表现都很好
   

数据:

RGB 图片，RGBD 点云

方法：

如图所示。个人觉得是一个很有前景的方向，对如何joint利用2D和3D的feature提供一个解决思路。相似类型的工作有一篇 [2D3D- MatchNet: Learning to match keypoints across 2D image and 3D point cloud]
附: 与作者联系了解到点云如果不提供 RGB 信息效果不好，并且做过图片和 LiDAR 形式的点云实验，效果是 promising 的，可以尝试。

Tracking without bells and whistles

背景 and 动机:

MOT Tracking 发展缓慢，经过两年发展效果提了才两个点。作者发现通过仅仅利用物体检测算法，如 Faster rcnn，就可以达到 state of the art 的效果， 打破了普通的 data association 和 filter 那一套老框架。

方法:

2D MOT，仅用detector实现的tracking

主体 (Tracktor)

Bounding box regression:

1. 蓝色箭头所示，通过将 t-1 帧的 boundingbox ${\mathbf{b}}_{t-1}^k$ 进行回归，得到第 t 帧 新的位置 ${\mathbf{b}}_t^k$ 。对应了FasterRCNN在当前帧的 featuremap 上进行 RoIPooling 操作，但是用的 是前一帧的 bbox。作者提出这种做法的一个假设就是:两帧之间的运动不是很明显， 特别是在高帧率的视频上。这个 identify 就自动的从之前的结果上迁移过来了，从而有 效的得到了新的轨迹。这种操作可以对所有的视频帧进行重复处理。
2. 在 bbox 回归以后，作者的跟踪器考虑两种情况来 kill 一个轨迹——一个物体在视频帧中消失了，或者被其他物体被遮挡了，即:如果新的 classification score 小于某一阈值;不同物体之间的遮挡，可以通过采用 NMS 来处理。
   Bounding Box Initialization:
   为了处理新出现的物体，物体检测器提供了整个帧的检测结果 ${\mathcal{D}}_t$，红色箭头部分(包含第 一帧的初始化)。但是，从 ${\mathcal{D}}_t$ 开始的检测，当且仅当 IoU 与任何已有的 active tracks ${\mathbf{b}}_t^k$ 小于某一阈值。即，考虑一个物体为新的 id，如果我们无法用任何已有的 track来描述该物体。

Bounding Box Initialization:

为了处理新出现的物体，物体检测器提供了整个帧的检测结果 ${\mathcal{D}}_t$，红色箭头部分(包含第 一帧的初始化)。但是，从 ${\mathcal{D}}_t$ 开始的检测，当且仅当 IoU 与任何已有的 active tracks ${\mathbf{b}}_t^k$ 小于某一阈值。即，我们考虑一个物体为新的 id，如果我们无法用任何已有的 trajectory 来描述该物体。

扩展 (Tracktor++)

运动补偿和 reID:

相机运动会造成第一步 bounding box 回归不准，所以要进行运动补偿; 为防止跟踪丢帧(不是 dead 的轨迹却 kill 掉了)，利用 short-term reID 的方式(借助 Siamese Network 来进行 appearance feature 的匹配)来改善效果。为了达到这个目标，作者将kill的目标，存储固定帧数的样本。然后将这些样本和新检测的目标进行重识别。